多雷达静态多帧点云测试

本文记录一组静态多帧点云融合实验：用 5 路传感器（禾赛 QT128、速腾 RSAIRY ×2、Livox HAP、图漾 FM815 结构光）各采 100 静态帧，定量评估融合 $k$ 帧对 LiDAR 外参标定精密度与准确度的影响，并严格区分二者。

符号说明

符号	含义
$k$	融合帧数(把 $k$ 帧静态数据合成 1 张云)
$N$	一个桶(一条射线)跨帧累积的样本数,约等于帧数
$N_{\text{sub}}$	ICP 配准前把源云均匀随机降到固定的 40000 点。随机抽样只减点数、不平均点,故保住单点噪声 $\sigma$(不可体素);全 $k$ 取同一值,把"融合让点变密"的收益剔除掉,只留"每点噪声 $\sigma\to\sigma/\sqrt{k}$"一项
$\sigma_r$	单波束径向噪声:一条射线(桶)跨帧的深度散布(§4.1),是"精密度"的原料
$\sigma(k)$	融合 $k$ 帧后的噪声,帧独立时 $\sigma(k)=\sigma_1/\sqrt{k}$
$k^\star$	精密度曲线进入平台的转折帧数,即"采几帧够用"
$R$	公共评估区域,去飞点密集 SL 的世界包围盒(§3.1),所有评估在 $R$ 内
$T_{\text{nominal}}$	标称外参,CloudCompare 三面角人工对齐得到
$T_c$	ICP 精化后的最佳外参($k{=}1$)
$\text{corr}_d$	point-to-plane ICP 的对应距离:源云每个点只与参考云里距它 $\le\text{corr}_d$ 的最近点配对,更远的丢弃(匹配半径),锁定 0.05 m
sd	点到拟合面的符号距离 $\text{sd}=n\cdot x+d$(mm),$n$ 法向、$d$ 偏置
GATE	评估门:足迹内多厚的 sd 算"真在面上",取 25 mm(§3.1)
spread / bias	残差去 bias 的 $\sigma$(波束间贴面一致性)/ 残差均值(系统偏移);$\text{RMSE}=\sqrt{\text{spread}2+\text{bias}2}$
MAD	中位绝对偏差;$1.4826\times$MAD 对正态与 std 等价,抗离群
RSS	平方和之根(root-sum-square);本文指三轴合成标量 $\text{RSS}=\sqrt{\sigma_{t_x}2+\sigma_{t_y}2+\sigma_{t_z}^2}$,把三轴 std 合成一个总平移散布(旋转三自由度同理)。逐轴 std 见表,RSS 为合成
$\sigma_T(k)$	外参某自由度跨 bootstrap 的 std 随 $k$ 的曲线(外参精密度,§4.2 Path A);三轴合成用 RSS
$k_{\text{eff}}$	有效独立帧数;帧相关时 $k_{\text{eff}}<k$(Livox $\approx0.66k$),即 $k$ 帧里真正独立的等价帧数

术语:

• 精密度(precision):多次估计互相聚拢的程度,即重复性。噪声主导时随 $k$ 以 $\sigma/\sqrt{k}$ 改善。
• 准确度(accuracy):估计逼近真值的程度,受系统偏差地板限制,融合不能改善,必须有参考。
• 桶(bucket):同一射线的跨帧聚合单元。机械式按 (ring/俯仰, 方位) 分,固态/结构光按相机中心 (方位, 俯仰) 角域分。一桶 = 一条射线 = 一个表面点。
• 飞点(flying point):分两类。桶内 σ 飞点 = 深度跳变(混像素/边缘/多回波)的桶,沿射线 $\sigma$ 远超噪声底,净化时按 $\sigma>3\times$ 噪声底丢弃;空间飞点 = 三维空间孤立的稀疏点(近邻均距远大于板面点),逐桶 σ 滤波漏掉,用 SOR 去除(§3.1)。
• 外参(extrinsic):传感器到世界系的 6 自由度刚体变换 $(R|t)$。
• conditioning 数:ICP Hessian 最大/最小特征值之比,大说明存在弱约束轴,外参易触地板。
• 参考系 $L_1$:禾赛 QT128 的 100 帧融合云,外参为单位阵,定义世界坐标。SL 三面(两两角 78.5°/86.6°/89.2°)为准确度参考。

一、目标

5 路传感器各采 100 静态帧,场景静态、安装固定,同一射线跨帧打中同一表面点——这是 $\sigma/\sqrt{k}$ 净化的物理基础。本实验定量评估「融合 $k$ 帧」对外参标定精密度/准确度的收益,作为后续动态实验的 baseline。

1.1 精密度与准确度

概念	含义	随 $k$	如何获得
精密度	多次估计互相聚拢	$\propto 1/\sqrt{k}$(噪声主导时)	重采样散布直接得
准确度	逼近真值	受偏差地板限,到平台后不降	必须有参考(SL 平面)

融合让估计更可重复,不让它更准——这是精密度与准确度的核心区分。

1.2 目标

目标	描述
G1 精密度-帧数曲线	每传感器精密度随 $k$ 的曲线:是否服从 $\sigma/\sqrt{k}$、地板在哪
G2 点云质量	点云平面 RMSE 与逐点噪声随 $k$ 的变化;独立于配准的直接净化度量
G3 准确度天花板	到固定 SL 参考面的 RMSE / 跨传感器一致性
G4 实操帧数 $k^\star$	每台达目标精密度需要多少帧
G5 外参地板机理	地板拆成 conditioning / corr_d / 点噪声 / 密度 各占多少
G6 最优融合配方	$k^\star$ + 选帧策略 + 聚合方式

二、数据采集

2026-07-31 采集,5 传感器并发各采 100 静态帧,共 500 帧、约 1.9 亿点、7.5 GB。点数帧间高度一致(速腾 ±0.1%、SL ±0.04%、Livox 逐帧相同 410016)。加载过滤:禾赛剔除 (0,0,0) 无回波,Livox 剔远点,SL 按帧号关联文件。rear 的 frame0(difop 校准未加载,fitness 0.65、偏 8.7mm)判为启动离群,用 99 帧。

采集设备现场:5 路传感器(禾赛 QT128 / 速腾 RSAIRY 前·后 / Livox HAP / 图漾 FM815)在工位固定安装,各对同一静态场景并发采 100 帧。

拍摄场景:左墙(白板)+ 右墙(木饰面)+ 地板(灰瓷砖)构成三面角,即 p1/p2 墙、p3 地板三参考平面(§3.1,两两角 78.5°/86.6°/89.2°)与公共区域 $R$ 所在;直接用墙体与地面作平面参考,无独立标定板。

传感器	扫描类型	点/帧(med,范围)	角色
禾赛 QT128	机械 128 线(有 ring)	230400(150k–230k)	世界系 ref(外参=单位阵)
速腾 RSAIRY 前	机械(无 ring)	81799(81701–81909)	被评估
速腾 RSAIRY 后	机械(无 ring)	83179(83056–83258)	被评估
Livox HAP	固态 rosette	410016(逐帧一致)	被评估
图漾 FM815	结构光	1100138(1.094M–1.102M)	准确度锚 + 被评估

三、方法

所有评估在公共区域 $R$ 内进行:裁到 $R$ 后跨传感器同区域、conditioning 可比。不做全 FOV 对照——全量含各传感器非重叠区与长墙退化区,度量不公。

• 实验域:$R$(含三面角)+ SL 三面参考面,禾赛作世界系。
• 净化:角域分桶(不用体素/内参),跨帧均值,$\sigma/\sqrt{N}$。
• 配准:CloudCompare 人工粗对 + 局部 ICP(不体素,固定 $N{=}40000$ 保噪)。
• 度量:std 与 MAD 双报;$\sigma/\sqrt{k}$ 斜率仅用 groups≥10 的点拟合(避小样本下偏);bootstrap 30。

3.1 实验域 $R$ 与参考面

$R$ = 去飞点密集 SL 世界系包围盒 + 5 cm margin = $x[-0.69,3.06];y[-4.57,-1.04];z[-1.32,1.04]$,尺寸 $3.75\times3.53\times2.36$ m(含三面角)。选 SL 视场作 $R$:SL 拍摄区正是三面参考平面所在的公共区(本身是跨传感器共同平面区),且 SL 是 5 路里精度最高的(亚 mm 结构光),FOV 最窄、该可见区是唯一被全部传感器覆盖的近场前向区。源云与 ref 都裁到 $R$ → 同区域、同 conditioning。

SL 参考云去空间飞点。 SL 干净云约 0.35%(3853 点)是逐桶 σ 滤波漏掉的空间孤立飞点。对 SL 世界系云每点取 $k{=}20$ 近邻均距 $d_m$(板面点 $\sim3.7$ mm、飞点 $>10$ mm),用鲁棒阈值 $\text{thr}=10^{\text{med}(\log_{10}d_m)+5\cdot1.4826\cdot\text{MAD}}\approx10.5$ mm 切分,保留 99.65%(1,100,321 点)。去飞点只对 SL(区域/参考定义者)做;传感器云靠足迹门 + 评估门排除离面点。

左:k-NN 近邻均距直方图(对数横轴),绿=稠密(99.65%)、红=飞点(0.35%),竖线=阈值,板面峰与飞点峰分离清晰。右三视图:灰=密集、红=飞点。

5 路 + 叠加共 6 面板。每路 → 世界系 → 裁到 $R$,点按最近面 sd 着色(p1 红/p2 蓝/p3 绿/其他灰),叠 $R$ 线框 + 三面角顶点。SL/livox 稠密全覆盖;禾赛/速腾稀疏(角分辨率低)。

$R$ 内裁剪保留率:

传感器	干净云点数	$R$ 内保留%
禾赛 QT128(ref)	74892	15.9
速腾前	85823	24.7
速腾后	95952	34.1
Livox HAP	315193	92.1
FM815 SL	1104174	99.9

三面参考面。 从 SL 干净云 RANSAC 提三面(两两角 78.5°/86.6°/89.2°,角顶 $(0.94,-2.72,-0.71)$),SL 亚 mm、三面约束 6 自由度,作全传感器公共平面参考。

三面评估足迹 = 去飞点密集 SL 的紧表面实心足迹。 每面取密集云 $|\text{sd}|<5$ mm 内点(p3 的 5–50 mm 是地板过渡杂波,会把足迹撑到 2.77 m,故 p3 必须卡 5 mm),投到切平面 $(a,b)$ → 1.5 cm 网格 → 只留有点的格子 → 形态学闭运算桥接采样缝 + 填内部空洞 → 实心足迹。尺寸:

面	实心区域 (m²)	外接矩形 (m)	填充率
p1 墙	1.61	1.38×1.35	87%
p2 墙	1.35	1.49×1.27	71%
p3 地板	1.72	1.54×1.42	78%

三面均为真实标定板尺寸(~1.5×1.45 m)。p2 填充率 71% 最低:sd 门扫描(5–40 mm 均为 71–75%)证实非门太紧,而是 SL 对该倾斜墙面的真实覆盖凹口(遮挡),评估本就只在 SL 真实覆盖处评,该凹口天然排除。

上:每面切平面 $(a,b)$,彩点=密集紧表面,半透明=实心足迹。下:3D 密集云三色 + $R$ 线框。

评估门 GATE = 25 mm(板面深度峰,数据驱动)。 足迹内池化 |sd| 直方图:0–5 mm 是板面主峰,5–25 mm 快速衰减,~25 mm 跌到谷底,其后是平坦/抬升的背景尾(p3 在 55–95 mm 还有第二杂波峰)。故 25 mm = 板面峰与背景尾的分界,作内点门(与独立测得的板面峰一致)。足迹(面在哪)与评估门(多厚算在面上)是两件事,分开定。

3.2 净化:角域分桶

静态 + 固定安装 → 同一射线每帧打中同一表面点 → $N$ 帧得 $N$ 个带噪样本 → 取均值,噪声 $\sigma/\sqrt{N}$。每桶 = 一条射线 = 同一表面点。

传感器	怎么扫描	桶怎么定	为什么
禾赛(机械)	固定线束旋转,精确重复	(ring, 方位角)	线束×方位=固定射线,帧间天然对齐
速腾(机械,无 ring)	旋转	(俯仰, 方位),由 xyz 反算	无线束号,用俯仰代替
Livox(固态)	双棱镜 rosette,非重复	相机中心(方位, 俯仰)角域	无固定射线,按方向分桶
结构光	全像素深度图	相机中心(方位, 俯仰),按原生像素	像素=射线

规则:桶=射线→均值→$\sigma/\sqrt{N}$;用均值(匹配理论、可向量化);桶内 σ 飞点按 $\sigma>3\times$ 距离噪声底剔除;不体素(体素质心去噪会污染 $\sigma/\sqrt{k}$ 信号);不用内参(SL/Livox 直接从 xyz 算相机中心角)。

两个 $\sigma$ 要分清:逐点 $\sigma$(桶内点散布,含桶格宽结构)与每帧桶质心 $\sigma$($\sigma/\sqrt{k}$ 真正平均的量)。桶须足够细二者才一致——禾赛 (ring,az) az 0.2°→1 beam/桶;速腾 (el,az) az 0.1°×el 0.7°(3600×256)→1 beam/桶;SL 原生像素 2×(2560×1920)→1 点/桶;Livox 角步 0.1°。$\sigma/\sqrt{k}$ 律用的是质心 $\sigma$,不受桶宽影响。

3.3 配准:局部 point-to-plane ICP

世界系 = 禾赛 100 帧融合云(单位阵)。CloudCompare 三面角人工对齐得 $T_{\text{nominal}}$,再从 $T_{\text{nominal}}$ 起做 point-to-plane ICP 精化。源云均匀随机降采样到固定 $N{=}40000$ 保噪,全 $k$ 同 $N$ 以隔离密度效应;匹配半径 $\text{corr}_d=0.05$ m、以标称外参为初值。

3.4 度量口径

精密度各轴报 std 与 MAD。$\sigma/\sqrt{k}$ 斜率用 log-log 拟合,仅取 groups≥10 的点并做 per-bucket Bessel 校正。外参 $\sigma/\sqrt{k}$ 用 bootstrap $k$ 帧融合×30,$k{=}1$ 复用 100 单帧。

3.5 准确度的度量

5 路看同一组物理平面(三面角),谁到 SL 参考面的残差小谁就准。每传感器干净云 → $T_c$ 最佳外参 → 世界系 → 到 SL 三参考面的符号距离,逐面墙拆开评估。

• 评估区域 = 去飞点密集 SL 的紧表面实心足迹(§3.1):传感器候选点的 $(a,b)$ 距足迹 $\le10$ cm(KDTree 近邻)才算"落在区内"——跟随 SL 实际稠密覆盖。
• 内点门 GATE=25 mm(§3.1):足迹内 $|\text{sd}|<25$ mm = 内点(真贴面);25 mm–15 cm = 外点(背景拖尾/混像素);$>15$ cm 不计。
• 残差分解:RMSE = √(spread² + bias²)。 对某传感器在某面的内点集(足迹内 $|\text{sd}|<25$ mm 的点),记残差 $r=\text{sd}$(mm,带符号):
  • bias $=\overline{r}=\tfrac{1}{n}\sum r_i$:残差均值(带符号 mm)。整片云相对平面的整体平移量。$|$bias$|$ 大 = 系统性偏(整片读高/读低,或外参平移误差),融合降不动(系统项)。符号:正 = 偏向法向正侧(p3 地板法向朝上,正 bias = 读高)。
  • spread $=\sqrt{\overline{(r-\overline r)^2}}$:残差标准差(去均值,mm)。各波束之间对表面位置的不一致(残差绕自身均值的散布)。spread 大 = 贴面"厚/散"、跨波束一致性差;融合降单点噪声但不降跨波束系统散布。
  • RMSE $=\sqrt{\overline{r^{2}}=\sqrt{\text{spread}}2+\text{bias}^2}$:二者按勾股合成,是总误差(spread 用总体标准差,故等式精确)。
  • 另报:中位 $=\text{median}(|r|)$、p95 $=|r|$ 的 95 分位(鲁棒补充,抗拖尾)。
  • 怎么读:bias 主导($|$bias$|\gg$spread)= 整体偏(如 p3 地板速腾读高);spread 主导(spread $\gg |$bias$|$)= 散(如 p1/p2 墙 bias≈0、贴面散)。SL 残差是自拟合(~4 mm = 墙/地板平整度上界),其余是到 SL 面的误差 = 外参对齐残差 + 自身系统项。

四、结果

4.1 净化与逐点噪声

每传感器 100 帧 → 角域分桶 → 1 张干净云 + per-bucket 方差。下表列:桶数、干净云保留%(丢飞点与样本不足桶后)、单帧逐点 $\sigma$(单桶内点散布 = 单条射线径向深度噪声)、$\sigma/\sqrt{n}$ 残差($=\sigma/\sqrt{n}$,平均 $n$ 帧后每桶质心残余噪声)、飞点%(因 $\sigma>3\times$ 噪声底判废的桶)。

传感器	桶数	干净云保留%	单帧逐点 $\sigma$ (mm)	$\sigma/\sqrt{n}$ 残差 (mm)	飞点%
禾赛	86472	86.9	8.05	0.57	13.1
速腾前	88652	96.8	2.88	0.29	3.2
速腾后	100720	95.3	3.42	0.34	4.7
Livox	320188	98.4	6.26	0.59	0.9
结构光	1141990	96.7	3.03	0.30	2.1

禾赛飞点 13.1% 是双回波跨距桶(两回波相距 ~0.6m),均值落半空故弃之。

桶内噪声分解(细桶),把每桶点散布按方向拆开:$\sigma_{3D}$(三维总散布)、$\sigma_{\text{radial}}$(沿射线/深度,真测距噪声)、$\sigma_{\text{lateral}}$(垂直射线/角向,细桶下应接近 0)、lat/rad(接近 0 说明桶是干净单射线)、时间(后/前)(后半段 σ 除以前半段,接近 1 说明无慢漂移)。

传感器	$\sigma_{3D}$ 中位 (mm)	$\sigma_{\text{radial}}$	$\sigma_{\text{lateral}}$	lat/rad	时间(后/前)
禾赛	8.40	8.40	0.00	0.000	1.000
速腾前	2.94	2.94	0.03	0.000	1.000
速腾后	3.51	3.51	0.06	0.000	1.000
Livox	6.28	6.08	1.15	0.032	0.998
SL	3.07	3.07	0.00	0.000	0.963

全部传感器 lateral≈0,桶是干净单射线(散布纯来自深度)。径向深度噪声 SL 3.1 / 速腾 ~3 / Livox 6.1 / 禾赛 8.4 mm。

4.1.1 逐点方差热力图

每雷达一张俯视平面图(各雷达竖直方向展开最小,故取 X-Y),每个桶按其 3D $\sigma$ 对数上色(蓝=稳、红=抖),远距离飞点已过滤。高方差几乎全聚在表面边缘与角落(混像素飞点),大平面内部一律低方差:速腾前近场飞点中位 $\sigma$~20mm,平面内部测距噪声 ~3mm。

色标对数 1mm–1.5m 共享。禾赛近场飞点中位 ~600mm 是双回波跨距桶,非单点抖动。

4.2 精密度随帧数的变化

核心问题:静态多帧融合,精密度是否随 $k$ 按 $\sigma/\sqrt{k}$ 改善?用两条互相独立的路径检验——Path B 测点本身(免配准),Path A 测外参标定精密度(基于配准)。

Path B · 免配准点噪声

做法(全程不经外参/配准):100 帧按时间交错分 $g=100/k$ 组(跨时间段取帧降相关)→ 组内同桶 $k$ 帧取均值(桶质心)→ 同桶跨 $g$ 组质心逐桶算标准差(Bessel)再对所有桶取中位 = 实测 $\sigma(k)$ → 与 $\sigma_1/\sqrt{k}$ 理想线比;另画 $\sigma(k)\cdot\sqrt{k}$ 诊断帧独立(平=独立、随 $k$ 升=相关)。$k$ 取 1,2,4,5,10,20,25,50。

左 log-log:横轴 $k$、纵轴桶质心 $\sigma(k)$(mm),实线=实测、虚线=$\sigma_1/\sqrt{k}$,贴虚线即服从 $\sigma/\sqrt{k}$。右半对数:纵轴 $\sigma(k)\cdot\sqrt{k}$,平=帧独立、升=帧相关。

结论:除 Livox 外 4 路斜率 $\approx-0.5$,实测贴 $\sigma_1/\sqrt{k}$ → 点噪声降到 $\sigma/\sqrt{k}$;Livox 斜率 $-0.414$ 且 $\sigma\cdot\sqrt{k}$ 从 5.2 升到 6.5 → 帧相关,$k_{\text{eff}}\approx0.66k$。单点噪声 $\sigma_1$ 排序:前 2.95 < SL 3.09 < 后 3.56 < livox 5.22 < 禾赛 7.64 mm。

传感器	$\sigma_1$(mm)	斜率(理想 $-0.5$)	$\sigma\cdot\sqrt{k}$	帧独立性
速腾前	2.95	$-0.505$	平 ~2.9	独立
结构光	3.09	$-0.539$	平 ~2.8	独立
速腾后	3.56	$-0.489$	平 ~3.6	独立
Livox	5.22	$-0.414$	升 5.2→6.5	相关($k_{\text{eff}}\approx0.66k$)
禾赛	7.64	$-0.514$	平 ~7.0	独立

Path A · 基于配准的外参

做法:每个非 ref 传感器取 $k$ 帧一组、重复 bootstrap 30 次 → 角域分桶融合成 1 张云 → 以标称外参为初值做 point-to-plane ICP(匹配半径 0.05 m、源云降到 40000 点)配到 ref → 得 30 个外参估计 $T_i$,各自分解 6 自由度,每个自由度跨 30 次求 std,得到外参精密度曲线 $\sigma_T(k)$。

三轴 RSS 的 std(mm) vs $k$(log-log),虚线=$\sigma_1/\sqrt{k}$,数据在虚线上方即触地板。

4 路平移都不服从 $\sigma/\sqrt{k}$,大 $k$ 触地板。三轴 RSS 的斜率 / $k{=}1$ / $k{=}49$:front $-0.45$ / 0.40 / 0.07mm;rear $-0.19$ / 0.69 / 0.33;livox $-0.24$ / 1.36 / 0.50;SL $-0.15$ / 0.48 / 0.29。旋转 $k{=}1$ 约 0.005–0.028°,同样触地板但量级小得多。

front vs rear:同型号、两维度排名反转。 front 与 rear 是同一款雷达(速腾 RSAIRY),世界系原点挨得近(front $(0.22,-0.13,-0.36)$、rear $(0.37,-0.17,-0.55)$,距三面角顶点 2.71 / 2.61m)。数据分两层,排名正好反过来:

• 精密度(Path A):front 更好。 三轴 RSS $k{=}1\to49$:front 0.40→0.07mm,rear 0.69→0.33mm。front 三轴都干净降到 ~0.05mm;rear 的 $t_z$ 非单调($k{=}4,9$ 反升到 0.41/0.47 再回落)。
• 准确度(§4.4,密集足迹到 SL 平面):三面均值 rear 更好 front 10.6 > rear 10.1mm;spread 均 front 10.3 > rear 9.0mm。front 贴墙一致性最差。

5 路各自最佳外参($T_c$)的融合云 → 世界系 → 俯视 X-Y。灰点=全体云(看形状);彩色点=密集足迹内点(去飞点密集 SL 实心足迹 ±10cm 内且 $|\text{sd}|<25$mm,§3.1),按符号残差着色(红/蓝=偏墙前/后,±25mm);★=三面角顶点,✕=传感器原点。标题 RMSE/spread/bias 即该密集足迹统计。SL(最右)最干净;front/rear 彩点最花=贴墙一致性差,front 尤甚(密集足迹 RMSE ~10.6mm,5 路最高)。front 精度数字最低(0.07mm)但云贴墙最差——精度=外参估计重复性,不是贴墙准不准。

逐轴 $k{=}1\to49$ 的 std(mm):

	$t_x$	$t_y$	$t_z$	RSS
front	0.200→0.026	0.292→0.040	0.186→0.051	0.40→0.07
rear	0.286→0.171	0.491→0.151	0.383→0.237	0.69→0.33
livox	0.304→0.197	0.378→0.073	1.273→0.456	1.36→0.50
SL	0.329→0.177	0.214→0.107	0.277→0.199	0.48→0.29

• front:三轴都降 ~8×、单调,贴 $\sigma/\sqrt{k}$——唯一没有任何一轴卡住的传感器;单点噪声也最低($\sigma_1$ 2.95mm < rear 3.56mm),理论地板最低,故 $\sigma/\sqrt{k}$ 干净传到外参。
• rear:$t_y$ 降了(0.49→0.15),$t_x/t_z$ 降不动;$t_z$ 非单调。conditioning 与 front 相当(最弱特征值 1409 ≥ front 1262),成因留动态实验。
• livox:$t_z$ 在 $k{=}1$ 就 1.27mm,主导 RSS,$k{=}49$ 还有 0.46——这一轴卡死,§4.3 用几何弱轴(特征值 224)解释。
• SL:三轴都只降 ~2×、均匀浅降,无特别差的轴,但整体降不下去。

左(Path B 归一化):点噪声 $\sigma(k)/\sigma(1)$ 全部贴 $1/\sqrt{k}$(Livox 略高=相关)。右(Path A 归一化):外参 $\sigma_T(k)/\sigma_T(1)$ 大 $k$ 明显高于 $1/\sqrt{k}$、趋平台。一句话:融合提点云精密度($\sigma/\sqrt{k}$),不提外参标定精密度(触地板)。外参进平台的 $k^\star\approx4\sim16$ 帧。

4.3 外参地板的成因

§4.2 Path A:融合帧数 $k$ 加大,外参精度很快停在地板上(rear ~0.33mm、livox ~0.50mm)。本节问地板是谁抬起来的。固定其余条件、只拧一个旋钮,看 $k{=}1$ 单帧外参精度怎么变(单帧无融合收益,精度纯由配准本身决定)。三个候选:

1. 匹配半径 $\text{corr}_d$。 扫 $\text{corr}_d\in[0.02, 0.1]$m:0.02m 太紧,有效配对骤减,地板反被抬高(front 1.23 / rear 2.18 / livox 1.90 / SL 0.60mm);到 0.05m 即触底,再放大不改善。排除,锁 0.05m。

左:地板 vs corr_d(对应离散);右:地板 vs $N_{\text{sub}}$(点密度,对数横轴)。

2. 点密度 $N_{\text{sub}}$。 扫源云点数 10k–80k:Livox 地板随密度持续降(1.64→0.57mm,到 80k 还在降)= 密度受限;rear 随密度降(0.79→0.34)= 部分受限;front 40k 即饱和(~0.38)= 不缺;SL 基本持平(~0.48)。密度是 Livox(强)、rear(弱)的地板来源之一。

3. 几何弱轴(Hessian)。 point-to-plane ICP 把"云贴参考面有多好"写成误差,微扰外参 6 自由度、量误差变化排成 6×6 Hessian,对角化得 6 个特征值(大=约束强估得准,小=弱轴估不稳,最小特征值卡地板);conditioning 数 = 最大÷最小特征值。

横轴 e1–e6:Hessian 的 6 个特征值按大小降序(e1 最强 → e6 最弱),每个对应 6 自由度(3 旋转 $\omega$ + 3 平移 $v$)对角化后的一个信息主轴(非直接的 $t_x/t_y/t_z$/roll/pitch/yaw,而是混合主方向)。纵轴:特征值大小(信息量,对数轴)= 沿该方向微扰外参时 point-to-plane 残差增长量;大=约束强,小=弱轴(e6 卡地板)。构造:雅可比 $J=[p\times n,;n]$(前 3 列旋转、后 3 列平移),信息矩阵 $H=J^\top J$,特征值降序。

结果:最弱轴 / conditioning front 1262 / 38、rear 1409 / 44、SL 624 / 91、livox 224 / 277。Livox 最弱轴只有 224(其余三者最弱轴的 1/3~1/6),有一个几何上几乎约束不到的方向 → 地板最高(~0.57mm @k=1)且融合降不下去。几何弱轴仅命中 Livox。 反证:front 与 rear 最弱轴相当、conditioning 相近(38 vs 44),可 front 能降到 0.07mm、rear 卡 0.33mm——"front 比 rear 好"不是 conditioning 之功,而是单点噪声更低 + 三轴干净(精密度维度);准确度维度 front 反不如 rear。

原因	检验	命中谁	结论
$\text{corr}_d$(匹配半径)	扫 0.02–0.1m	无(≥0.05 都平)	排除,锁 0.05m
$N_{\text{sub}}$(点密度)	扫 10k–80k	Livox(强)、rear(弱)	部分原因
几何弱轴(Hessian)	特征值	仅 Livox(224)	部分原因

两条证实来源解释最差的 Livox(密度+弱轴都中)与精密度最好的 front(都不中);解释不了 rear(conditioning 与 front 相当却卡 0.33mm)与 SL——那里残留平均不掉的散布(rear 表现为 $t_z$ 非单调、SL 三轴均匀浅降),成因留动态实验。

4.4 准确度

逐面墙评估,口径见 §3.5。热力图每传感器一面板:内点按符号残差着色(红=墙前/近、蓝=墙后/远,±25mm)、外点灰、★=三面角顶点,标题给 内点%/外点%/RMSE/spread/bias(mm)。

区域裁剪前后对照:

左=全体近面点广角;右=仅密集足迹 ±10cm 区内;黑=SL 足迹,★=顶点。

p1 墙

传感器	区内点 n	内%	外%	RMSE	spread	bias	中位	p95
结构光	462849	92	8	5.4	5.2	−1.1	3.3	10.5
禾赛	1347	89	11	6.4	6.3	−1.0	5.1	10.8
Livox	65392	90	10	7.3	6.8	+2.6	4.9	13.7
速腾后	5257	84	16	10.7	10.7	+0.7	7.3	20.4
速腾前	3190	79	21	11.7	11.4	−2.7	8.9	22.2

误差几乎全是 spread(bias ≈ 0)——"贴面一致性"差,不是整体偏移。SL 最干净(5.4),禾赛/Livox 接近(6.4–7.3),速腾前/后最差(10.7–11.7)。禾赛在这面只有 1347 个区内点(角分辨率低,小 patch 落点稀疏),但一致性并不差。

p2 墙

传感器	区内点 n	内%	外%	RMSE	spread	bias	中位	p95
结构光	405438	88	12	4.5	4.4	−0.4	2.2	8.9
禾赛	1321	85	15	6.6	6.5	−1.1	4.0	13.0
Livox	57929	88	12	6.7	6.7	+0.5	4.8	12.3
速腾前	3111	87	13	7.8	7.8	−0.2	4.7	16.5
速腾后	4811	85	15	9.5	9.1	−2.6	5.6	19.5

与 p1 不同:这面 front(7.8)< rear(9.5),front 更准——三面均值里 rear 更优是由 p1、p3 主导,p2 单看反转(两台 RSAIRY 对这面倾斜墙入射角不同)。仍 spread 主导、bias≈0,p2 与 p1 同构:SL < 禾赛 ≈ Livox < 速腾。

p3 地板

传感器	区内点 n	内%	外%	RMSE	spread	bias	中位	p95
结构光	406898	82	18	3.0	2.9	−0.3	1.4	3.8
禾赛	1230	87	13	4.7	4.7	+0.0	3.2	7.8
Livox	44701	72	28	5.1	4.6	−2.2	3.2	8.6
速腾后	3471	83	17	10.0	7.3	+6.9	8.1	17.2
速腾前	2435	75	25	12.2	11.9	+2.9	9.5	22.6

SL 最准(3.0),禾赛次之(4.7),Livox 5.1,速腾后/前又是倒数(10.0/12.2)。与前两面不同,速腾在地板上带正 bias(后 +6.9、前 +2.9mm,把地板读高)——地板入射角大、回波易偏,这是真系统项(rear 在地板上 bias 6.9 ≈ spread 7.3,误差从"贴面散"变成"系统读高")。Livox 外点% 高(28%):地板足迹内容易捕到墙根/物体。

三面联合:总排序一致,两处逐面差异

三面逐传感器并排(RMSE / spread / bias,mm):

面	SL	禾赛	Livox	速腾后	速腾前	误差结构
p1 墙	5.4 / 5.2 / −1.1	6.4 / 6.3 / −1.0	7.3 / 6.8 / +2.6	10.7 / 10.7 / +0.7	11.7 / 11.4 / −2.7	spread 主导,bias≈0
p2 墙	4.5 / 4.4 / −0.4	6.6 / 6.5 / −1.1	6.7 / 6.7 / +0.5	9.5 / 9.1 / −2.6	7.8 / 7.8 / −0.2	spread 主导,bias≈0
p3 地板	3.0 / 2.9 / −0.3	4.7 / 4.7 / 0.0	5.1 / 4.6 / −2.2	10.0 / 7.3 / +6.9	12.2 / 11.9 / +2.9	速腾带正 bias(读高)

三面 spread 均值 SL 4.2 < 禾赛 5.9 < Livox 6.0 < 速腾后 9.0 < 速腾前 10.3 mm;RMSE 均值 SL 4.3 < 禾赛 5.9 < Livox 6.4 < 速腾后 10.1 < 速腾前 10.6。

一致(三面都成立):

• 总排序 SL 最准 < 禾赛 ≈ Livox(中)< 速腾(最差)。SL 3.0–5.4、速腾 7.8–12.2,三面都拉开。
• SL/禾赛/Livox 三家三面 bias 都 ≈ 0——"不准"全是 spread,不是整体偏移。
• 两面墙 p1、p2 同构:bias≈0、spread 主导。
• 禾赛核心区稳定第 2(5.9),优于 Livox(6.0):单点噪声虽大,贴面一致性却好。

不一致:

• front/rear 排序 p2 翻转:p1、p3 rear 更准(rear 10.7/10.0 < front 11.7/12.2);p2 反过来 front(7.8)< rear(9.5)。三面均值 rear 9.0 < front 10.3 由 p1/p3 主导,p2 单看相反。"front 准确度最差、rear 更好"只在 p1/p3 成立。
• p3 地板误差结构不同:p1/p2 速腾 bias≈0(纯 spread);p3 速腾带正 bias(后 +6.9、前 +2.9mm,读高)。速腾"不准"在墙上=跨波束散布,在地板上=散布+系统读高,成因不同。

入射角被排除:SL 在地板上入射最掠却残差最低(3.0mm)→ 几何入射非主导,残差由系统项决定。

去 bias 残差:SL 窄而对称(纯噪声),LiDAR 宽且有拖尾(系统偏差 + 边缘混像素)。RMSE 不随 $k$ 降($k{=}1\to49$ 变化 <1mm):残差被系统项主导,$\sigma/\sqrt{k}$ 噪声在 $k{=}100$ 只剩 0.3–0.8mm,远小于残差地板。

实验 B:以 SL 平均云为基准的准确度

实验 A(上)= 到 SL 拟合理想平面的残差(分解 spread/bias)。实验 B(本节)= 直接以 SL 平均点云为参考面,度量各传感器点云到 SL 的近邻距离(sensor→SL,密集足迹区内,与实验 A 同域)。好处:不引入理想平面抽象、绕开墙平整度地板(SL 自拟合 ~4.3mm),跟着 SL 实测平均面走;SL 自身到自身近邻(k=2 去自身)= 1.73mm(分辨率,0 基线)。

传感器	区内点 n	中位	均值	p90	RMSE (mm, 到 SL 云)
Livox	136699	4.3	9.5	14.9	19.9
禾赛	3311	4.3	12.6	45.7	25.5
速腾后	11591	8.2	15.9	44.1	26.8
速腾前	7370	8.3	15.8	40.5	26.1

逐面中位(d_nn)mm:

传感器	p1	p2	p3
禾赛	4.7	4.7	4.1
速腾前	9.3	6.6	12.8
速腾后	8.5	7.6	10.0
Livox	5.4	3.6	4.1

实验 A、B 同向:速腾前/后离 SL 最远(最不准),Livox/禾赛最贴。禾赛在 A(spread 5.9)和 B(中位 4.3)都好——单点噪声大($\sigma_r$ 8.1)但核心区贴 SL 很准,印证"噪 ≠ 不准"。

单点噪声 vs 贴面一致性

把单波束噪声 $\sigma_r$(§4.1,精密度)与三面 spread 均值(实验 A,准确度)并排:

传感器	$\sigma_r$ 精密度(mm)	spread 准确度(mm)	判定
结构光	3.0	4.2	既精又准
速腾前	2.9	10.3	精而不准
速腾后	3.4	9.0	精而不准
Livox	6.3	6.0	居中
禾赛	8.1	5.9	噪,但核心区准

速腾(Airy)单点噪声最低(2.9–3.4mm,“精”)但跨波束贴面一致性最差(spread 9–10mm,“不准”)——vs SL 差距明显(4.2 vs 9–10)。禾赛单点噪声最大(8.1)但核心区贴面准(spread 5.9,实验 B 中位 4.3)。二者"不准"成因不同:禾赛=单点噪声大但均值贴,Airy=跨波束散布大。

4.5 选帧与聚合

选帧策略(连续 / 跨步 stride / 随机)对 $\sigma/\sqrt{k}$ 的影响,在 Livox(已知帧相关)与禾赛(对照)上测。

在 groups≥5 的 $k$($k\le20$)上,三种分组几乎重合:Livox $k{=}10$ 连续 1.86 / 跨步 2.03 / 随机 1.94mm,禾赛 $k{=}10$ 2.33 / 2.33 / 2.18mm,都在 ~10% 以内。选帧策略无影响,任取 $k$ 帧即可——Livox 的帧相关是每射线固有的慢漂,不是"连续帧更相关"的时间聚集,跨步采帧也去不掉。聚合用均值(匹配理论、可向量化)。

五、结论

1. 点噪声服从 $\sigma/\sqrt{k}$,外参不服从。 Path B 斜率 −0.49~−0.54(Livox −0.41 帧相关,$k_{\text{eff}}\approx0.66k$);Path A 触地板 0.07–0.5mm。融合提点云精密度,不提外参标定精密度。

2. 精密度 ≠ 准确度。 融合提精密度(点级 $\sigma/\sqrt{k}$、标定级到地板),不提准确度(到 SL 面 RMSE 不随 $k$ 降,系统地板 4–11mm)。

3. 外参地板两证实来源:点密度(Livox 强、rear 弱)+ 几何弱轴(仅 Livox,特征值 224);$\text{corr}_d$ 排除(锁 0.05)。 解释最差的 Livox 与精密度最好的 front,解释不了 rear/SL(残留平均不掉的散布,成因留动态)。

4. 同型号 front/rear 两维度排名反转。 front 精密度最好(Path A 0.07mm)、准确度三面均值最差(RMSE 10.6mm);rear 精密度触地板(0.33mm)、准确度更好(10.1mm)。注意 p2 单面 front 反更准(7.8<9.5),反转在 p1/p3 成立。

5. 准确度排序(密集足迹,三面 RMSE 均值)SL > 禾赛 > Livox > 速腾后 > 速腾前(4.3 / 5.9 / 6.4 / 10.1 / 10.6mm)。速腾单波束噪声最低(~3mm)但跨波束贴面散最差(spread 9–10mm),精而不准;禾赛噪($\sigma_r$ 8mm)但核心区贴 SL 准(实验 B 中位 4.3mm);SL 既精又准。误差 p1/p2 spread 主导、p3 地板速腾带读高 bias;三面总排序一致,front/rear 排序与误差结构逐面有差异。

6. 选帧策略无影响($k\le20$ 连续/跨步/随机差 <10%),聚合用均值;$k^\star\approx$ 4–16 帧。

7. 还要不要多帧(按用途):

用途	多帧的意义	建议
外参标定	仅 $k^\star\approx4\sim16$ 前提精密度(触地板后不降);准确度完全不提	够用即止,$k^\star$ 帧足够
测量(单点/测距)	单点噪声 $\sigma/\sqrt{k}$,多帧让点更精、云更干净	有意义(到 Livox 帧相关限)
逼近真值(绝对准确度)	多帧无能为力——平均去随机噪声,不去系统偏差(地板)	须另除系统项(更好外参/建模地板 bias/动态标定)

核心区分:融合提精密度,不提准确度。要"重复性/点更稳"(标定稳定、干净云)→ 多帧有用(标定取 $k^\star$、测量可更多);要"测得准/逼近真值"→ 多帧无能为力,得去系统误差。静态只测天花板,真准确度与泛化留动态实验。

8. 多帧静态平均去不掉边缘拖影,方差滤波也去不掉——只有离谱飞点能被方差滤掉;且都不提升准确度。

   • 离谱飞点(dual-return / 孤立大跳点,σ 极大):飞点桶 σ 中位 front 21 / 禾赛 612 / rear 43mm,远超 3×floor 阈值(front 8.5 / 禾赛 24.6 / rear 10.5mm)→ 方差滤波能去掉。
   • 边缘拖影(混像素桶,σ 中等、与板面噪声同量级):保留桶 σ 中位 front 2.9 / rear 3.4mm,p95 仅 4.8 / 5.8mm,远低于阈值 → 过不了阈值,方差滤波也去不掉,留在干净云里;多帧平均更去不掉(只把拖影合成半空均值点)。
   • 准确度:融合不降(到 SL 面 RMSE 不随 $k$ 降,系统地板 4–11mm,§4.4)。

   即:σ 滤波只剪得掉远超阈值的离谱大跳点,治不了阈值内的边缘拖影;多帧静态平均既不消拖影、也不提准确度,只提点级精密度($\sigma/\sqrt{k}$)。

文章链接：
https://www.zywvvd.com/notes/3d/static-multiframe-lidar-extrinsic/static-multiframe-lidar-extrinsic/